AM-Bench 发布：AI 代理在诱导下选择”作恶”，10 款前沿模型差异达 62 个百分点
arXiv 新论文提出 AM-Bench，用诈骗三角理论把 AI 代理"宁可作恶也不失败"的行为拆成威胁、机会、推理三个维度并建立评测集。10 款前沿模型在 35 个跨行业场景下的失准率差距高达 62 个百分点，值得关注。
标签： 推理
多智能体主动追问歧义：AIR 在 Text-to-SQL 基准上表现如何
arXiv 于 2026 年 10 月 20 日发布的一篇论文提出 AIR 多智能体框架，让 Text-to-SQL 系统先识别并追问自然语言查询中的歧义，而不是默认一问对应一条正确 SQL。摘要称其在 AMBROSIA 和 AmbiQT 基准上取得比 IntentRL 更好的结果，但尚不代表已有可用的产品功…
TCoVP提出视频分割新框架：把时空证据串成推理链
Hugging Face Papers 收录的论文提出 TCoVP，用带时间戳和空间证据的“视频基元”替代纯文本 CoT，让视频推理分割的推理过程落到画面上，并在五个基准、三个骨干模型上做了实验。
AffordanceWAM：用可供性对齐人类视频与机器人动作的世界模型
Hugging Face Papers 公开的论文 AffordanceWAM 提出一种可供性感知的世界-动作联合模型，尝试用人类第一视角视频补足机器人动作数据稀缺的问题。按摘要所述，其价值在于把“哪里可以交互”变成连接视觉预测与动作生成的共享接口。
arXiv论文提出Software World：多智能体协作仿真，最佳模型效率提升31%
arXiv 上一项新研究提出 Software World 仿真框架，让多个 AI 智能体在相互依赖的 Python 包生态中自主找任务、协作维护代码，最佳模型在隐藏下游包上带来最高 31% 的效率提升。
EvoWeb基准发布：评估编码智能体在持续演进Web应用上的表现
Hugging Face Papers 收录的论文摘要提出 EvoWeb 基准，用 320 个累积需求测试编码智能体在持续修改同一 Web 应用时的可靠性，而不只看它能否一次性满足固定规格。
Hugging Face 新论文：MTEdit 用50万条多轮图像编辑轨迹训练模型
Hugging Face Papers 收录的论文摘要提出 MTEdit 多轮图像编辑数据集与配套基准，用“打包轨迹画布”生成训练数据，声称可缓解多轮编辑中的画质漂移，并据此微调出 Qwen-Image-MTEdit。
世界模型组合泛化不足：AnyGoal基准揭示规划新短板
Hugging Face Papers 于 2026 年 10 月 19 日收录的论文提出 AnyGoal 基准，用于检验世界模型能否把训练中见过的状态因子和动作重新组合；结果显示，在多个环境和模型家族中，这类组合任务仍会失败。
Fréchet Forcing：不依赖长视频与教师模型，微调流式世界模型可稳定生成超4000帧
Hugging Face Papers 收录的一篇论文提出 Fréchet Forcing，用短视频和真实数据统计微调流式视频世界模型，使其在动作条件下长时间生成仍保持稳定和场景一致。摘要称在 MiniWorld-1B 上微调后，可以稳定生成超过 4000 帧。
Hugging Face新论文提出MT Forcing：用单轮蒸馏缓解多轮图像编辑漂移
Hugging Face Papers 收录的一篇论文提出 MT Forcing 训练范式，针对自回归扩散多模态模型在多轮图像编辑中“越改越差”的问题，试图同时稳住画质和跨轮一致性。目前公开信息仅为论文摘要，尚需核验全文实验与复现结果。